基于逆规划与身体运动学的连续三维空间中人类意图推断建模
人工智能
2021-12-03 v1 机器人学
摘要
如何构建能够理解人类意图并利用该知识与人协作的 AI？我们描述了一个用于评估三维运动动作领域中目标推断模型的计算框架，该框架以智能体身体及可能目标的 3D 坐标为输入，产生对意图目标的连续更新推断。我们在三项使用新颖目标到达任务（Target Reaching Task）的行为实验中评估了我们的框架，其中人类观察者推断行动者在干扰项中伸手取目标时的意图。我们描述了生成式身体运动学模型（Generative Body Kinematics model），其使用贝叶斯逆规划（Bayesian inverse planning）与逆身体运动学（inverse body kinematics）预测该领域中的人类意图推断。我们将我们的模型与三种启发式方法进行比较，后者在不使用逆规划的情况下，通过对行动者约束的简单假设形式化最小努力原则。尽管计算代价更高，生成式身体运动学模型在特定场景中优于这些启发式方法，例如存在障碍物的环境，以及在伸手动作初期行动者距意图目标相对较远时。启发式方法在伸手动作后期阶段做出越来越准确的预测，例如当意图目标接近且可通过外推手腕轨迹推断时。我们的结果确定了逆身体运动学有助于意图推断的情境。我们表明人类观察者在此类情境中确实依赖逆身体运动学，这意味着对身体运动学建模可提升推断算法的性能。
引用
@article{arxiv.2112.00903,
title = {Modeling human intention inference in continuous 3D domains by inverse planning and body kinematics},
author = {Yingdong Qian and Marta Kryven and Tao Gao and Hanbyul Joo and Josh Tenenbaum},
journal= {arXiv preprint arXiv:2112.00903},
year = {2021}
}